Resumo: No contexto da classificação de sinais de eletroencefalografia (EEG) para tarefas de Imagética Motora (MI), o uso do arcabouço matemático baseado em Geometria Riemanniana (RG) tem demonstrado desempenhos comparáveis aos das redes neurais convolucionais. A aplicação deste arcabouço em dados de EEG normalmente envolve a extração de uma matriz de covariância amostral, que captura informações espaciais (entre os eletrodos). No entanto, é possível também explorar informações temporais, por exemplo, considerando um conjunto de matrizes de covariância com atraso. Nesse sentido, neste trabalho, propomos o uso explícito da informação temporal, principalmente no contexto de Redes Riemannianas Profundas (DRNs). Além disso, apresentamos uma versão modificada da arquitetura SPDNet, capaz de processar um conjunto de matrizes de covariância como entrada. Nossa abordagem amplia a capacidade da SPDNet em aprender padrões espaço-temporais, resultando em uma melhoria no desempenho da classificação dos sinais de EEG Ver menos

Abstract: In the context of electroencephalography (EEG) classification for Motor Imagery (MI) tasks, the use of the framework based on Riemannian Geometry (RG) has shown comparable performances to convolutional neural networks. Its application on EEG data usually considers the extraction of a sample covariance matrix, which captures spatial information (between electrodes). However, the temporal information can be used as well, for instance, considering a set of time-delayed covariance matrices. In that sense, in this work, we propose the use of the temporal information, mainly considering Deep Riemannian Networks (DRN). We also present a modified version of SPDNet in order to encompass a set of covariance matrices as input. Our approach enhances SPDNet’s ability to learn spatio-temporal patterns, resulting in improved classification performance on EEG data Ver menos